[发明专利]一种MOOC环境下的学习注意力检测方法及系统

说明书

本发明公开了一种MOOC环境下的学习注意力检测方法及系统，其通过获取多个PPG信号样本序列，获取与每个PPG信号样本序列一一对应的输入特征矩阵和输出特征矩阵；利用多个PPG信号样本序列的输入特征矩阵和输出特征矩阵构建随机森林决策树的样本集；利用样本集进行机器学习得到训练好的决策树模型；获取与待测学习者的PPG信号序列对应的输入特征矩阵并输入所述训练好的随机森林决策树模型，使得训练好的随机森林决策树模型通过投票得到待测学习者的注意力测评结果，从而解决当前MOOC课堂无法确定学习者的学习效果的技术问题。

技术领域

本发明属于学习注意力检测领域，具体涉及一种MOOC环境下的学习注意力检测方法及系统。

背景技术

注意力是决定个人学习成果的关键因素，传统的注意力检测方式如自我报告，进行实验测试和直接观察等，由于教学规模和学习模式的限制，存在着耗时、主观并且无法应用于一大批学生等问题。随着传感器和机器学习技术的飞速发展，各种传感设备和传感器辅助应用在教育领域越来越多地被使用。

目前利用传感器测量注意力的技术大部分是基于脑电信号(EEG)的采集处理和分析，但这种方法存在着侵入性较强的问题。光电容积脉搏波信号(PPG)是人类最早应用于临床医学研究的生物电信号之一，它比其他生物电信号更容易检测，并且具有良好的无侵入性和便携性。目前已经证实，心率变异性(HRV)是反映持续注意变化的良好指标，而HRV可以通过使用PPG的连续脉冲周期间隔的变化来计算。

随着基于互联网技术的飞速发展，随时随地(泛在)的学习变得越来越流行。大规模开放在线课程(MOOC)具有以低成本实现大规模高质量知识传播的潜力的优势，扩大了泛在学习的影响。尽管潜力巨大，但当今的MOOC还存在着参与度低，学习效果不确定，及很少个性化等问题，导致教师无法更好地了解课堂学习质量以改进教学内容，学生无法更好地了解他们的学习过程并适应他们的学习策略。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种MOOC环境下的学习注意力检测方法及系统，旨在解决当前MOOC课堂无法确定学习者的学习效果的技术问题。

为实现上述目的，按照本发明的一个方面，提供了一种MOOC环境下的学习注意力检测方法，该方法包括如下步骤：

获取多个PPG信号样本序列，获取与每个PPG信号样本序列一一对应的输入特征矩阵和输出特征矩阵；

其中，输入特征矩阵具体为：对PPG信号样本序列进行预处理得到多个PPG信号样本子序列，利用PPG信号样本子序列的时域特征、频域特征和非线性特征构建PPG信号样本子序列的特征向量，利用多个PPG信号样本子序列的特征向量构成PPG信号样本序列的输入特征矩阵；输出特征矩阵包括与PPG信号样本子序列一一对应的注意力真实值；

利用多个PPG信号样本序列的输入特征矩阵和输出特征矩阵构建随机森林决策树的样本集；构建随机森林决策树模型，随机森林决策树模型的输入为输入特征矩阵，随机森林决策树模型的输出为注意力预测值，利用样本集进行机器学习得到训练好的决策树模型；

获取待测学习者的PPG信号序列，获取与待测学习者的PPG信号序列对应的输入特征矩阵并输入所述训练好的随机森林决策树模型，所述训练好的随机森林决策树模型通过投票得到待测学习者的注意力测评结果。

作为本发明的进一步改进，PPG信号样本子序列的时域特征包括波峰间期的标准差、相邻波峰间期差值的均方根、波峰间期大于第一预设阈值的百分比、相邻波峰间期差值的标准差，波峰间期的中值、波峰间期的平均绝对偏差、相邻波峰间期差值的平均值和波峰间期的变异系数，其中，波峰间期为信号相邻波峰之间的间隔时间。

作为本发明的进一步改进，获取PPG信号样本子序列的频域特征具体为：

对PPG信号样本子序列进行快速傅里叶变换，计算傅里叶变化后的极低频功率、低频功率、高频功率和总功率。